此页面从命令行工具用户的角度描述了Kaldi中的I / O机制。

有关更多代码级概述，请参见Kaldi I / O机制。

总览

非表I / O

我们首先描述“非表” I / O。这是指仅包含一个或两个对象的文件或流（例如，声学模型文件；转换矩阵），而不是由字符串索引的对象的集合。

• Kaldi文件格式默认为二进制，但是如果提供标志–binary = false，则程序将输出非二进制文件。
• 许多对象都有相应的“复制”程序，例如copy-matrix或gmm-copy，可与–binary = false标志一起使用以转换为文本形式，例如“ copy-matrix --binary = false foo.mat-” 。
• 磁盘上的文件与内存中的C ++对象（例如，浮点矩阵）之间通常存在一一对应的关系，尽管某些文件包含多个对象（例如：对于声学模型文件，通常是TransitionModel对象然后是声学模型）。
• Kaldi程序通常知道他们希望读取哪种类型的对象，而不是从流中计算出来。
• 与perl相似，文件名可以替换为-（用于标准输入/输出）或诸如“ | gzip -c> foo.gz”或“ gunzip -c foo.gz |”之类的字符串。
• 对于读取文件，我们还支持foo：1045之类的东西，这意味着文件foo中的字符偏移量1045。
• 为了引用扩展文件名的概念，通常将特殊术语“ rxfilename”用于描述要读取的流（即文件，流或标准输入）的字符串，并将“ wxfilename”用于描述字符串的描述输出流。有关更多详细信息，请参见扩展文件名：rxfilenames和wxfilenames。

为了说明上述概念，请确保$ KALDI_ROOT / src / bin在路径上，其中$ KALDI_ROOT是存储库的顶部，然后键入以下内容：

  回声'[0 1]'| 复制矩阵--

它将打印出一条日志消息和一些与该矩阵相对应的二进制数据。现在尝试：

  回声'[0 1]'| 复制矩阵--binary = false--

输出将如下所示：

＃复制矩阵--binary = false--
复制矩阵--binary = false--
 [
  0 1]
LOG（copy-matrix：main（）：copy-matrix.cc:68）复制到-

尽管看起来矩阵和日志消息混合在一起，但是日志消息属于标准错误，因此不会传递到管道中。为了避免看到日志消息，您可以通过在命令行中添加2> / dev / null将stderr重定向到/ dev / null。

可以使用管道或使用Kaldi I / O的文件流机制连接Kaldi程序。这是一个管道示例：

回声'[0 1]'| 复制矩阵--| 复制矩阵--binary = false--

这将以文本形式输出矩阵（第一个copy-matrix命令转换为二进制形式，第二个转换为文本形式，这毫无意义）。您可以通过以下操作以更复杂的方式完成同一件事：

  复制矩阵'echo [0 1] |' '| copy-matrix --binary = false--'

这里没有理由这样做，但是当程序具有多个输入或输出，因此已经使用了stdin或stdout时，它有时会很有用。对于表尤其有用（请参阅下一节）。

表I / O

Kaldi具有特殊的I / O机制，用于处理由字符串索引的对象的集合。这样的示例是通过说话者ID索引的特征矩阵，或通过说话者ID索引的说话者自适应转换矩阵。索引集合的字符串必须为非空且无空格。有关更深入的讨论，请参见表概念。

表可能以两种形式存在：“存档”或“脚本文件”。不同之处在于，存档实际上包含数据，而脚本文件指向数据的位置。

从表中读取的程序期望一个称为“ rspecifier”的字符串，该字符串表示如何读取索引数据，而写入表中的程序期望一个称为“ wspecifier”的字符串来写入它。这些是用于指定需要脚本文件还是归档文件的字符串，以及文件位置以及各种选项。rspecifier的常见类型包括“ ark：-”，这意味着从标准输入中以存档形式读取数据，或“ scp：foo.scp”，这意味着脚本文件foo.scp表示从何处读取数据。需要牢记的几点是：

• 冒号后面的部分被解释为wxfilename或rxfilename（如Non-table I / O中一样），这意味着支持管道和标准输入/输出之类的东西。
• 表格始终只包含一种类型的对象（例如，浮点矩阵）。
• 您可能会在rspecifiers和wspecifiers上看到选项，主要是：
  • 在rspecifiers中，ark，s，cs：-表示当我们从这种情况下（从标准输入中）读取时，我们期望键是按排序顺序（，s）进行的，并且我们断言它们将按排序顺序进行访问（， cs）表示我们知道程序将按排序顺序访问它们（如果不满足这些条件，程序将崩溃）。这使Kaldi可以模拟随机访问而不会占用大量内存。
  • 对于不太大且不便于确保排序顺序的数据（例如，用于说话人适应的转换），省略.s，cs几乎没有什么害处。
  • 通常，带有多个rspecifier的程序将迭代第一个对象中的对象（顺序访问），并在后一个对象上进行随机访问，因此第一个rspecifier通常不需要“，s，cs”。
  • 在scp，p：foo.scp中，.p表示如果某些引用的文件不存在，则我们不应崩溃（对于存档，如果存档已损坏或被截断，.p可以防止崩溃。）
  • 对于书写，选项，t表示文本模式，例如ark，t：-。–binary命令行选项对归档无效。
• 脚本文件格式在每一行上都是“ <key> <rspecifier | wspecifier>”，例如“ utt1 / foo / bar / utt1.mat”。rspecifier或wspecifier可以包含空格，例如“ utt1 gunzip -c /foo/bar/utt1.mat.gz |”。
• 存档格式为：<key1> <object1> <newline> <key2> <object2> <newline> ...
• 归档文件可能已被合并，它们仍然是有效的归档文件，但是请注意串联的顺序，例如，避免

  “猫a / b / *。ark”

  如果您需要排序的订单。
• 尽管不常用，但脚本文件可用于输出，例如，如果我们写入wspecifier scp：foo.scp，并且程序尝试写入键utt1，它将在foo.scp中查找类似于“ utt1 some_file”的行，并将其写入“ some_file”。如果没有这样的行，它将崩溃。
• 可以同时写入存档和脚本，例如ark，scp：foo.ark，foo.scp。脚本文件将以“ utt1 foo.ark：1016”这样的行写入（即，它指向档案中的字节偏移量）。当要以随机顺序或部分访问数据但您不想产生很多小文件时，这很有用。
• 可以欺骗存档机制以对单个文件进行操作。例如，

       回声'[0 1]'| 复制矩阵'scp：echo foo-|' 'scp，t：echo foo-|'
  

  这值得一点解释。首先，rspecifier“ scp：echo foo-|” 如果文件bar.scp仅包含“ foo-”行，则等效于scp：bar.scp。这告诉它从标准输入中读取由“ foo”索引的对象。类似地，对于wspecifier“ scp，t：echo foo-|”，它将“ foo”的数据写入标准输出。此技巧不应过度使用。在这种特殊情况下，这是没有必要的，因为我们已经使复制矩阵程序直接支持非表I / O，因此您可以只编写“复制矩阵--”。如果您必须过多使用此技巧，最好修改相关程序。
• 如果要从存档中仅提取一个成员，则可以对“ scp：” wspecifier使用“，p”选项，以使其仅写出该元素，而忽略scp文件中其他缺少的元素。假设您想要的键是“ foo_bar”，并且一个名为some_archive.ark的存档包含矩阵，那么您可以按以下方式提取该元素：

       复制矩阵'ark：some_archive.ark''scp，t，p：echo foo_bar-|'
  

• 在某些情况下，档案读取代码允许有限的类型转换，例如对于矩阵，在float和double之间转换，对于晶格，则使用Lattice和CompactLattice。

表I / O（带范围）

现在可以从scp文件中指定矩阵的行范围和列范围。转储功能文件时，通常将它们表示为看起来像如下的scp文件：

 utt-00001 /some/dir/feats.scp:0
 utt-00002 /some/dir/feats.scp:16402
 ...

您可以通过添加行和列范围来修改此scp文件，其格式类似于MATLAB（除了从零开始的索引）。因此，例如，如果将其修改为：

 utt-00001 /some/dir/feats.scp:0[0:9]
 utt-00001 /some/dir/feats.scp:0[10:19]
 ...

前两行代表utt-00001的第0至9行以及第10至19行。您可以用类似的方式表示列索引：

 utt-00001 /some/dir/feats.scp:0[:,0:12]
 utt-00001 /some/dir/feats.scp:0[:,13:25]
 ...

将是该文件的0到12列以及13到25列。您还可以结合使用行索引和列索引：例如，

 utt-00001 /some/dir/feats.scp:0[10:19,0:12]

说话者对说话者和说话者对说话的地图。

许多Kaldi程序会使用发声到说话者和发话者到说话者的地图-称为“ utt2spk”或“ spk2utt”的文件。这些通常由命令行选项–utt2spk和–spk2utt指定。utt2spk映射具有以下格式

utt1 spk_of_utt1
utt2 spk_of_utt2
...

并且spk2utt映射具有以下格式

spk1 utt1_of_spk1 utt2_of_spk1 utt3_of_spk1
spk2 utt1_of_spk2 utt2_of_spk2
...

这些文件用于说话人调整，例如，查找哪个说话人对应于话语，或遍历说话人。由于大多数原因与设置Kaldi示例脚本的方式以及将数据分为多个部分的方式有关，因此重要的是要确保发话者对讲者图中的讲话者处于排序顺序（请参阅数据准备）。）。无论如何，这些文件实际上都被视为存档，因此，您将看到命令行选项，例如–utt2spk = ark：data / train / utt2spk。您将看到这些文件符合以下格式的通用存档格式：“ <key1> <data> <newline> <key2> <data> <newline>”，在这种情况下，数据为文本格式。在代码级别，utt2spk文件被视为包含字符串的表，而spk2utt文件被视为包含字符串列表的表。